|
关键词:空调、冷凝器、诊断、建模
冷凝器由于暴露在灰尘中，容易污损。如果空调在污损状态下继续运行，不仅导致空调故障，而且由于效率降低而增加了电力消耗。冷凝器的污损程度因设置环境和运用环境而有所差异，但现状大多是不受污损程度的影响而定期清洗。本研究的目的是诊断冷凝器的污损程度，使冷凝器的清洗时间合理化。
在本论文中，使用过渡状态的运转数据，对基于热收支关系式的适用性高的冷凝器的诊断方法进行了探讨。
数据获取实验
实验设备
在模拟数据中心的实验室中，使用数据中心用空调进行了数据获取实验。实验室由能够再现实际数据中心内环境的数据中心实验室和能够调整温度和湿度的人工气候室组成。通过设置在数据中心实验室内的模拟发热体（配置在机架内）再现了ICT机器产生的发热。实验设备的概略如图-1所示。
测定项目
空调上安装了用于获取内部信息的传感器，最短每隔1秒就能获取数据。另外，
冷凝器的入口·出口的空气的温度2）蒸发器的入口·出口的制冷剂的温度3）冷凝器的入口·出口的制冷剂的温度4）冷凝器的出口的空气的风速无法作为内部信息获取。因此，追加安装热电偶·风速计，使上述项目也能够进行测量。图-2显示了测量的主要项目。
冷凝器污损状态再现方法
在本实验中，通过用网覆盖室外机风扇的空气吹出口，再现了附着物引起的通风阻力的增加。图-4展示了网格的设置情况。由于在冷凝器的污损导致空调异常之前需要进行清洗，因此即使在污损较少的状态下也能够进行诊断。
实验顺序
实验条件如表―1所示。过渡状态操作数据用于诊断。由于转数是由频率来控制的，因此实际上是通过改变频率的设定来改变转数的。在条件A中，从空调启动到频率变更为3小时左右，在极其稳定的条件下取得了数据。另一方面，在条件B中，假设实际的诊断条件，从空调启动到频率变更为5分钟，与条件A相比，在空调不十分稳定的状态下取得了数据。
诊断方法
诊断顺序
图-5展示了诊断的顺序。根据图，冷凝器的污损状态的诊断按照以下顺序进行。
1）通过实验取得空调的运转数据（冷凝器正常时、污损时）
2）利用冷凝器正常时的测定数据对冷凝器进行模型化
3）在制作的模型中输入想要诊断污损状态的数据，进行模拟实验
4）评价模型的输出功率和实际机器的输出功率的差，诊断冷凝器的污损状态
评价方法
作为测量模拟模型输出和实际输出差大小的指标，使用以下公式表示的拟合率6）。一般来说，数据的值本身变大的话，模型的输出和实际输出的差就会变大。因此，通过使用贴合率，无论数据本身的大小，都可以评价其差的大小。当两个输出完全一致时，贴合率为最大值100。
用于诊断的数据
由于诊断使用过渡状态的数据，因此在压缩机启动后，将50秒到200秒的数据用于诊断。另外，压缩机启动后数秒内膨胀阀几乎不打开，制冷剂的流量暂时变得不稳定，因此到流量大致稳定的50秒的数据未用于诊断。
建模
模型表达式
在模型化中，考虑到冷凝器中制冷剂放出的热量会使空气及冷凝器自身的温度上升，使用了以下公式。
式(2)は变形如下
在这里
在这里，除去常数A，B，C的右边1个项作为输出，左边和右边2项分别作为输入1、2，置换如下式。
由此，式（4）使用常数D、E成为下式。
通过求出该常数D、E，式（8）成为诊断冷凝器污损状态的数式模型。
用于模型化的数据
模型化使用了表―1所示实验条件No.1的3次实验中的第1次实验数据。另外，由于3.3节的常数D的导出需要稳定状态的数据，因此使用7000秒之前的数据，3.4节的常数E的导出使用200秒之前的数据。
经计算，最终模型公式为下
验证结果
冷凝器污损状态的诊断
在式（13）表示的模型中，输入除实验条件No.1的第1次以外的其他实验数据，进行模拟，调查了随着网络张数的增加而产生的贴合率的变化。图15～18中使用实验条件No.1～7的第1次实验数据时的(a)输入1和输入2，(b)实际输出和模型输出。以及展示了贴合率。另外，为了避免与模型制作中使用的数据的重复，只将No.1作为第2次的实验数据。
根据以上诊断结果和其他实验次的诊断结果的贴合率，总结了不同外部气温的净张数和贴合率的关系，如图―19所示。从图中可以看出，在外部气温15℃、35℃时，贴合率随着网络张数的增加而下降。由此可知，在压缩机频率的变更条件A、B中的任何一个条件下，无论外部气温如何，都可以以贴合率降低的形式来把握冷凝器的污损，可以根据合身率的值来推定污损状态。
结论
为了诊断冷凝器的污损状态，根据冷凝器中制冷剂―空气―冷凝器之间的热收支关系式制作数学模型，进行诊断。其结果表明，无论外部气温与模型制作时是否相同，即使在冷凝器的中等程度的污损状态下，也可以根据贴合率的值进行诊断。
DeepKnowledge
翻译：
张春朋
江苏移动南京分公司 暖通工程师
DKV（DeepKnowledge Volunteer）普通成员
公众号声明：
本文并非原文官方认可的中文版本，仅供国内读者学习参考，不得用于任何商业用途，文章内容请以日文原版为准。中文版未经公众号DeepKnowledge书面授权，请勿转载。
|